Трехэтапный подход к внедрению ИИ и приоритеты

Глобальное воздействие пандемии преподало ряд важных уроков компаниям, стремящимся пережить следующий серьезный кризис. Среди них - необходимость более эффективного внедрения искусственного интеллекта в цепочки поставок.

Вот несколько советов о том, как компании могут достичь этой цели.

Во-первых, создайте лучшую модель для прогнозирования потребительского спроса, учитывающую менее очевидные исходные данные. В настоящее время такие системы построены на основе простых прогнозов тенденций и сезонности. Вместо этого им следует учитывать внешние факторы, связанные с инфляцией, индексами потребительских цен и другими шоками на входе, вызванными политикой вмешательства в связи с COVID-19, такими как проверки стимулов, блокировки и жилищное строительство. Многие из этих закономерностей легко увидеть задним числом, но это не значит, что их нельзя обнаружить раньше времени. Прелесть моделей прогнозирования на основе ИИ заключается в том, что они способны улавливать взаимодействие между, казалось бы, несвязанными функциями.

После построения более совершенной модели потребительского спроса создайте вторичную модель оценки доставки. Он должен быть построен так, чтобы в любой момент учесть текущее состояние цепочки поставок и спрогнозировать стоимость доставки контейнера, полного продукта. Преимущество этого инструмента в том, что его можно протестировать на исторических данных, чтобы оценить его точность. Просто посмотрите в прошлое и проверьте оценку цен в любой момент времени, чтобы убедиться, что она соответствует действительности.

Наконец, создайте систему, которая использует модель спроса и оценщик затрат, чтобы действовать как настоящий ИИ цепочки поставок. То, как это будет работать, основано на двух основных наблюдениях:

• Модель спроса может использоваться для прогнозирования того, какая мощность потребуется в определенный момент в будущем.
• Модель оценки стоимости может использоваться, чтобы предсказать, какой будет цена, чтобы упростить доставку в этот момент в будущем для этого спроса.

Обладая этими двумя возможностями, система искусственного интеллекта может улучшиться за счет регулировки входных рычагов в модели оценки затрат. Модель будет иметь входные параметры, которые могут быть такими простыми, как «сколько часов в день работает порт Лос-Анджелеса». Он становится способным узнать влияние на стоимость доставки на основе изменения значений. ИИ можно обучить постоянно настраивать рычаги ввода того, что составляет цепочку поставок, чтобы гарантировать, что независимо от спроса, общие затраты на его удовлетворение имеют верхнюю границу.

Этот трехэтапный подход - это то, как, вероятно, будет выглядеть цепочка поставок в следующие 10 лет. Дьявол, конечно, кроется в деталях. Но как только у нас будет такая система, нам больше не придется полагаться на политиков в поисках решений, позволяющих справиться с будущими сбоями в цепочке поставок. С ИИ, который помогает в планировании и моделировании цепочки поставок, нет предела.

Джеймс Каплан - генеральный директор MeetKAI.